はじめに
生成AIの話題というと、ChatGPT のように文章や画像を扱うものが中心ですよね。でも仕事で扱うデータは、売上や顧客リスト、機械のセンサーの記録のような「表データ」のほうが多い、という人も多いのではないでしょうか。
実はこの表データにも、「基盤モデル」と呼ばれる新しいモデルが出てきています。その代表が、ドイツの Prior Labs が作っている TabPFN です。2026年7月には SAP が Prior Labs を買収し、11月には次の版の TabPFN-4 も発表されて、いま注目を集めています。
今回は、TabPFN がどんなものかをざっくり紹介して、どこで使われているかを見たあと、実際に手元の Mac で動かしてみます。
TabPFN とは
ひと言でいうと、表データ版の LLM のようなものです。
基盤モデルは、あらかじめ大量のデータで学習しておいて、いろいろな仕事にそのまま使えるモデルのことです。ChatGPT の中で動いている LLM(大規模言語モデル)もその1つで、TabPFN はその表データ版、というわけです。
学習しないで予測する
TabPFN のいちばんの特徴は、手元のデータで学習しないことです。
たとえば、こんな表があったとします。
| 広さ | 駅から | 家賃 |
|---|---|---|
| 25㎡ | 徒歩5分 | 8万円 |
| 40㎡ | 徒歩12分 | 9万円 |
| 30㎡ | 徒歩3分 | ? |
従来の機械学習では、家賃のわかっている行でモデルを学習させてから、「?」を当てます。
TabPFN は、この表をまるごと読み込んで、「?」をそのまま埋めます。LLM に例をいくつか見せてから質問すると、例にならって答えてくれますよね。あれと同じで、家賃のわかっている行が「例」の役をしています。モデルの中身は変わらず、予測のたびに例を読み込むだけです。
どうやって予測できるようになったの?
TabPFN は、人工的に作った大量の表で練習しています。いろいろなパターンの表を作っては答えを当てる練習を、あらかじめたくさん積んであるんです。だから、初めて見る表でも、例から答えを当てられます。
毎年どんどん大きくなっている
| 時期 | 版 | 扱える行数 | ひと言 |
|---|---|---|---|
| 2022年 | 最初の版 | 小さな表 | 小さな表の分類を、1秒かからずに解くモデルとして登場 |
| 2025年1月 | v2 | 1万行まで | 論文が科学誌 Nature に載る |
| 2026年5月 | 3 | 100万行まで | さらに大きな表を扱えるように |
| 2026年9月 | 3.5 | 100万行まで | 文章の入った表や、時系列のデータにも強くなる |
| 2026年11月19日 | 4 | 1,000万行まで |
注意点:ライセンス
会社で使うときに気をつけたいのがライセンスです。最新の 3.5 などは「非商用」のライセンスで、社内で試すのはよいものの、仕事の判断やお客さん向けの案件に使うには、別の契約が必要です。
会社の仕事で使えるのは v2 です(v2 を組み込んだサービスなどを公開するときは、「Built with PriorLabs-TabPFN」と書く決まりがあります)。なので、今回も v2 を使いました。
どこで使われているの?
開発元の Prior Labs が、いろいろな会社や病院との取り組みを紹介しています(どれも開発元の発表です)。
| 分野 | 使っている会社 | 目的 | 結果 |
|---|---|---|---|
| 鉄道 | Hitachi Rail(日立グループ) | スペインの鉄道で、線路の異常の兆しを早く見つける | 初期の導入で、これまでのモデルより予測の誤差が約4割小さくなった |
| 金融 | Creditplus Bank(ドイツの銀行) | 自動車ローンの審査 | 取り組みを始めたところ |
| 金融 | TD(カナダの銀行) | 融資や住宅ローンの伸びの予測 | 使えるかを試しているところ |
| 医療 | イギリスの病院 | 呼吸を助けるマスクの治療がうまくいかず、気管挿管が必要になるかの予測 | 試験で24人中22人を当てた(試験中は、予測を治療の判断には使っていない) |
| 広告 | exito(ドイツの広告会社) | お客さんごとの広告費の予測 | 毎日の予測の精度が上がった |
鉄道、お金、医療、広告と、分野を問わず使われ始めていることがわかります。
さらに2026年5月には、ドイツの業務ソフト大手 SAP が Prior Labs の買収を発表しました(7月に完了)。SAP は4年間で10億ユーロ以上を投資して、Prior Labs を表データの AI の研究所として大きくするそうです。
使い方
インストールは、これだけです。
pip install tabpfn
使い方は、scikit-learn(Python の機械学習のライブラリ)とほぼ同じで、fit して predict するだけです。
from tabpfn import TabPFNClassifier
from tabpfn.constants import ModelVersion
model = TabPFNClassifier.create_default_for_version(ModelVersion.V2)
model.fit(X_train, y_train) # 答えのわかっているデータ(例)を渡す
pred = model.predict(X_test) # 答えを予測する
proba = model.predict_proba(X_test) # それぞれの答えになる確率
X_train・X_test は表データ(pandas の DataFrame など)、y_train は答えの列です。
使うときのポイント
- v2 を選ぶ:
create_default_for_version(ModelVersion.V2)で v2 を選んでいます。何も指定しないと、最新の 3.5(非商用)が使われるので注意です。 - 数値を当てるときは TabPFNRegressor:「返済できる・できない」のような分類は TabPFNClassifier、売上や家賃のような数値は TabPFNRegressor を使います。
- 前処理はいらない:文字の列を数字に直したり、数値の大きさをそろえたりしなくて大丈夫です。開発元も、こうした前処理はしないよう勧めています。欠けた値(空欄)があっても、そのまま扱えます。
- 予測はまとめて1回で行う:fit ではデータを受け取って準備するだけで、予測のたびに学習用のデータも一緒に計算します。開発元の説明では、100件を1件ずつ予測すると、まとめて1回で予測するときの約100倍の時間がかかります。
- 大きなデータは GPU で行う:Mac(Apple Silicon)では、何も指定しなくても GPU が使われます。GPU がないパソコンでは CPU で動きますが、v2 を CPU で動かせるのは、標準の設定では学習用のデータ1,000件までです。
まとめ
TabPFN は、「学習しないで、例を読んで予測する」表データの基盤モデルです。鉄道や金融、医療、広告と、分野を問わず使われ始めていて、2026年には SAP による開発元の買収や、TabPFN-4 の発表もありました。
使い方は scikit-learn とほぼ同じで、前処理もいらず、数行で試せます。会社で使うなら v2、というライセンスの点にだけ気をつければ、気軽に試せるモデルです。
出典・参考
- TabPFN:GitHub、モデルとライセンスの説明

